自动驾驶轨迹规划之时空语义走廊(一)

2024-03-24 12:04

本文主要是介绍自动驾驶轨迹规划之时空语义走廊(一),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

欢迎大家关注我的B站:

偷吃薯片的Zheng同学的个人空间-偷吃薯片的Zheng同学个人主页-哔哩哔哩视频 (bilibili.com)

目录

1.摘要

2.系统架构

3.MPDM

4.时空语义走廊

​4.1 种子生成

4.2 具有语义边界的cube inflation

​4.3 立方体松弛


本文解析了丁文超老师的这篇论文Safe Trajectory Generation for Complex Urban Environments Using Spatio-Temporal Semantic Corridor | IEEE Journals & Magazine | IEEE Xplore

1.摘要

引入:城市道路轨迹规划的难点在于有很多语义元素。

创新点1:不同的语义元素有不同的数学表征形式,提出了一种新的统一的时空语义走廊来为不同类别的语义元素来提供abstraction,可以推广到任何语义元素组合的场景。

创新点2:SSC由一系列互相连接的无碰撞cubes组成,其中包含了动态约束,并且轨迹生成问题可以归结于一个QP问题,并且通过贝塞尔曲线来保证轨迹安全性和可行性。

2.系统架构

第一阶段:环境理解,通过语义地图管理器管理用于本地规划目的的语义要素

第二阶段:包含自车high-level的行为预期以及他车预测轨迹的预测器

第三阶段:利用多策略决策的行为规划器

第四阶段:离散未来状态作为生成走廊的种子的运动规划器

3.MPDM

行为规划问题被被表述为多智能体的POMDP问题,来对动态环境中的交互和不确定性进行建模。但是当车辆数量增加,计算负担会很重。MDPM将问题简化为有限的闭环离散策略(如向左变道,车道保持等)。自车和他车都在执行简单的策略。

自车和他车的预测都通过简化的模型前向模拟来实现,并且结合理想化的转向和速度控制器来评估最佳行为。而自车的前向模拟状态是走廊生成过程中的种子。由于粗糙的分辨率和简化的模型,这不能直接由车辆执行,这也是轨迹生成器的必要性。

MPDM同时为多个行为提供前向模拟,我们为所有潜在行为生成候选轨迹。

4.时空语义走廊

由于大多数语义元素都与车道几何结构有关,因此我们需要将笛卡尔坐标系转换到基于参考车道的frenet坐标系,并且对于时空联合规划我们将处理一个SLT三维配置空间。语义主要有obstacle-like和constraint-like两类元素。障碍物就是slt空间内不允许驶入的空间,约束就是一些速度限制等。而语义边界可以对所有constraint-like的元素进行统一的表示。

下图则是走廊生成的算法流程

4.1 种子生成

种子是由行为规划器中前向模拟状态投影到SLT空间下得到的。我们要求连续种子构建的初始立方体无碰撞,例如,对于以30m/s的纵向速度和0.15s的种子分辨率,所需的间隙约为4.5m,这比需要的紧急制动距离短得多。因此,如果有碰撞直接驳回的判断是合理的。

而在种子周围生成走廊的动机是对拓扑等效的自由空间进行建模。比如这张图显示了种子的拓扑含义是在这两个动态障碍物之间通行。由于膨胀在碰到语义边界或障碍物后停止,因此膨胀过后的走廊的同伦与种子是一样的。

4.2 具有语义边界的cube inflation

初始立方体是通过两个连续的种子生成的,立方体的膨胀是在碰到障碍物与语义边界时停止。这样处理使得不在语义边界内的立方体不用考虑约束,在语义边界的立方体直接关联约束。未来保持凸性,立方体之间没有重叠。但也可以引入时间进行优化,重叠可能是有益的。

4.3 立方体松弛

在立方体膨胀过程之后,膨胀的立方体几乎与语义边界匹配,但比如变道持续时间约束等都是软约束,我们可以通过cube relaxation来松弛边界,但要保持硬约束和无碰撞。允许松弛的最大裕度一般由两个连续立方体结合运动学去估计。

下一次将介绍轨迹生成与实验

这篇关于自动驾驶轨迹规划之时空语义走廊(一)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/841537

相关文章

动态规划---打家劫舍

题目: 你是一个专业的小偷,计划偷窃沿街的房屋。每间房内都藏有一定的现金,影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统,如果两间相邻的房屋在同一晚上被小偷闯入,系统会自动报警。 给定一个代表每个房屋存放金额的非负整数数组,计算你 不触动警报装置的情况下 ,一夜之内能够偷窃到的最高金额。 思路: 动态规划五部曲: 1.确定dp数组及含义 dp数组是一维数组,dp[i]代表

软考系统规划与管理师考试证书含金量高吗?

2024年软考系统规划与管理师考试报名时间节点: 报名时间:2024年上半年软考将于3月中旬陆续开始报名 考试时间:上半年5月25日到28日,下半年11月9日到12日 分数线:所有科目成绩均须达到45分以上(包括45分)方可通过考试 成绩查询:可在“中国计算机技术职业资格网”上查询软考成绩 出成绩时间:预计在11月左右 证书领取时间:一般在考试成绩公布后3~4个月,各地领取时间有所不同

poj 2976 分数规划二分贪心(部分对总体的贡献度) poj 3111

poj 2976: 题意: 在n场考试中,每场考试共有b题,答对的题目有a题。 允许去掉k场考试,求能达到的最高正确率是多少。 解析: 假设已知准确率为x,则每场考试对于准确率的贡献值为: a - b * x,将贡献值大的排序排在前面舍弃掉后k个。 然后二分x就行了。 代码: #include <iostream>#include <cstdio>#incl

代码随想录冲冲冲 Day39 动态规划Part7

198. 打家劫舍 dp数组的意义是在第i位的时候偷的最大钱数是多少 如果nums的size为0 总价值当然就是0 如果nums的size为1 总价值是nums[0] 遍历顺序就是从小到大遍历 之后是递推公式 对于dp[i]的最大价值来说有两种可能 1.偷第i个 那么最大价值就是dp[i-2]+nums[i] 2.不偷第i个 那么价值就是dp[i-1] 之后取这两个的最大值就是d

基于51单片机的自动转向修复系统的设计与实现

文章目录 前言资料获取设计介绍功能介绍设计清单具体实现截图参考文献设计获取 前言 💗博主介绍:✌全网粉丝10W+,CSDN特邀作者、博客专家、CSDN新星计划导师,一名热衷于单片机技术探索与分享的博主、专注于 精通51/STM32/MSP430/AVR等单片机设计 主要对象是咱们电子相关专业的大学生,希望您们都共创辉煌!✌💗 👇🏻 精彩专栏 推荐订阅👇🏻 单片机

Python3 BeautifulSoup爬虫 POJ自动提交

POJ 提交代码采用Base64加密方式 import http.cookiejarimport loggingimport urllib.parseimport urllib.requestimport base64from bs4 import BeautifulSoupfrom submitcode import SubmitCodeclass SubmitPoj():de

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

轨迹规划-B样条

B样条究竟是干啥的?白话就是给出一堆点,用样条的方式,给这些点连接起来,并保证丝滑的。 同时B样条分为准均匀和非均匀,以下为准均匀为例。 参考链接1:https://zhuanlan.zhihu.com/p/50626506https://zhuanlan.zhihu.com/p/50626506 参考链接2: https://zhuanlan.zhihu.com/p/536470972h

理解分类器(linear)为什么可以做语义方向的指导?(解纠缠)

Attribute Manipulation(属性编辑)、disentanglement(解纠缠)常用的两种做法:线性探针和PCA_disentanglement和alignment-CSDN博客 在解纠缠的过程中,有一种非常简单的方法来引导G向某个方向进行生成,然后我们通过向不同的方向进行行走,那么就会得到这个属性上的图像。那么你利用多个方向进行生成,便得到了各种方向的图像,每个方向对应了很多

PMBOK® 第六版 规划进度管理

目录 读后感—PMBOK第六版 目录 规划进度管理主要关注为整个项目期间的进度管理提供指南和方向。以下是两个案例,展示了进度管理中的复杂性和潜在的冲突: 案例一:近期,一个长期合作的客户因政策要求,急需我们为多家医院升级一个小功能。在这个过程中出现了三个主要问题: 在双方确认接口协议后,客户私自修改接口并未通知我们,直到催进度时才发现这个问题关于UI设计的部分,后台开发人员未将其传递给